1 簡(jiǎn)介

針對(duì)Curvelet分解的不同頻率域,分別討論了低頻系數(shù)和高頻系數(shù)的選擇原則.在選擇低頻系數(shù)時(shí),定義了局部區(qū)域標(biāo)準(zhǔn)方差,采用了"選擇"與"平均"相結(jié)合的系數(shù)選擇方案;在選擇高頻系數(shù)時(shí),充分利用Curvelet變換具有方向性的優(yōu)點(diǎn),提出了Curvelet域方向?qū)Ρ榷鹊母拍?并給出了基于方向?qū)Ρ榷鹊南禂?shù)選擇方案.實(shí)驗(yàn)結(jié)果表明:本文所給出的融合算法能夠很好地保留多幅源圖像中的有用信息,得到多個(gè)目標(biāo)聚焦都很清晰的圖像.

基于?Curvelet?變換的圖像融合意義在于：Curvelet?變換繼承了小波分析優(yōu)良的空域和頻域局部特性，是一種新的圖像多尺度幾何分析工具，其相對(duì)于小波的優(yōu)勢(shì)在于更加適合描述圖像的幾何特征，因此也更適合圖像處理應(yīng)用。小波是采用“塊?基”（block base）來(lái)逼近?C（二次連續(xù)可微）的奇異點(diǎn)，是各向同?2性的，并沒(méi)有考慮奇異點(diǎn)的幾何形狀；而?Curvelet?變換采用“楔形基”來(lái)逼近?C2?的奇異點(diǎn)，與小波最大的差異就是其具有任意角度的方向性，不像小波只具有水平、垂直、45°角?3?個(gè)方向，所以是各向異性的。在楔形分塊中，只有當(dāng)逼近基與奇異性特征重疊，即其方向與奇異性特征的幾何形狀匹配時(shí)，才具有較大的?Curvelet?系數(shù)。而且?Curvelet?變換較之小波具有更好的稀疏表達(dá)能力，它能將圖像的邊緣，如曲線、直線特征用較少的大的Curvelet?變換系數(shù)表示，克服了小波變換中傳播重要特征到多個(gè)尺度上的缺點(diǎn)，變換后能量更加集中，更利于跟蹤和分析圖像的重要特征，Curvelet?變換具有很強(qiáng)的方向性。例如，圖?1?表示了用二維可分離小波和?Curvelet?來(lái)逼近圖像中奇異曲線的過(guò)程。因此，將?Curvelet?變換引入圖像融合，可以利用?Curvelet變換更好地提取原始圖像的特征，為融合圖像提供更多的信息。

2 部分代碼

function y= xinxishang(x)%信息熵x=uint8(x);temp=unique(x); ? %temp就是x中全部不同的元素，例如x=[1,1,3,4,1,5];那么temp=[1;3;4;5]temp=temp';len=length(temp); %求出x矩陣中不同元素的個(gè)數(shù)p=zeros(1,len); ? %p向量用來(lái)存儲(chǔ)矩陣x中每個(gè)不同元素的個(gè)數(shù)[m,n]=size(x);for k=1:len ? ?for i=1:m ? ? ? ?for j=1:n ? ? ? ? ? ?if x(i,j)==temp(1,k) ? ? ? ? ? ? ? ?p(1,k)=p(1,k)+1; ? ? ? ? ? ?end ? ? ? ?end ? ?endendfor k=1:len ? ?p(1,k)=p(1,k)/(m*n); ?%求出每個(gè)不同元素出現(xiàn)的頻率 ? ?p(1,k)=-p(1,k)*log2(p(1,k));endy=sum(p);end

3 仿真結(jié)果

4 參考文獻(xiàn)

[1]張強(qiáng), 郭寶龍. 基于Curvelet變換的圖像融合算法[J]. 吉林大學(xué)學(xué)報(bào)：工學(xué)版, 2007, 37(2):6.

博主簡(jiǎn)介：擅長(zhǎng)智能優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、信號(hào)處理、元胞自動(dòng)機(jī)、圖像處理、路徑規(guī)劃、無(wú)人機(jī)等多種領(lǐng)域的Matlab仿真，相關(guān)matlab代碼問(wèn)題可私信交流。

部分理論引用網(wǎng)絡(luò)文獻(xiàn)，若有侵權(quán)聯(lián)系博主刪除。